指南

在 Go 中离线实现文字转语音

Go 的标准库没有语音合成，常见方案要么是按字收费的云端 SDK，要么是封装操作系统机械声音的库。对于服务、机器人或命令行工具，两者都有缺点：文字会离开机器，或者声音因系统而异。请注意：Supertonic 3 暂不支持中文，可朗读英语、日语、韩语等 31 种语言。

本指南介绍如何通过本地 HTTP 服务器从 Go 调用免费的 SuperClonica 引擎：声音自然，WAV 文件留在你手里，在任何平台上用普通的 net/http 即可。

浏览声音 安装 SuperClonica 引擎

从 Go 发声的方式

经常需要发声的服务，自建语音服务器更省钱，也更保护隐私。

  • 云端 SDK：声音自然，但需要账号、密钥、按字计费，文字还会存到对方服务器上。
  • 封装操作系统声音：离线，但声音机械，且各平台不同。
  • SuperClonica：本地 HTTP 服务器，支持自然声音、角色声音和自定义声音，只要能运行 Docker 就能离线使用。
  • 它支持 31 种语言，暂不支持中文。

免费试听声音

写代码之前，先打开任意声音页面，输入 30 到 100 个字符的句子，选择语言并点击生成按钮。几秒后就能听到你的应用可以拥有的声音，无需注册。

启动语音服务器

有 NVIDIA 显卡时用 cuda 镜像会更快，但不是必需的。

  • 在任何 CPU 上启动服务器：docker run -d -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu。
  • 首次启动会把约 385 MB 的 Supertonic 3 模型下载到卷中；GET /health 可以告诉你何时就绪。
  • POST /synthesize 接收包含 text、voice、lang、seed 和 normalize 的 JSON，返回 16 位单声道 WAV。
  • voice 可以是 M1–M5、F1–F5 等标准名称，也可以是声音文件的 JSON 内容。

从 Go 调用

借助标准库中的 bytes、io、net/http 和 os，几行代码就能发出请求：voice, _ := os.ReadFile("voice.json"); body := append([]byte(`{"text": "Hello from Go!", "lang": "en", "seed": 7, "voice": `), append(voice, '}')...); res, _ := http.Post("http://localhost:8000/synthesize", "application/json", bytes.NewReader(body)); defer res.Body.Close(); out, _ := os.Create("hello.wav"); defer out.Close(); io.Copy(out, res.Body) 在正式代码中请处理错误，而不是忽略。使用标准声音时，发送 "voice": "F1" 代替文件。同样的文字、声音和 seed 总是得到同样的音频，所以请缓存重复短语的文件。

上线前的好习惯

复用一个设置了合理超时的 http.Client。不要把 8000 端口原样暴露到互联网：设置 SUPERCLONICA_API_KEY 并以 Bearer 令牌发送，或把服务器放在私有网络中。如果同时到达的请求很多，用 SUPERCLONICA_LANES 运行更多模型副本，并在你的硬件上实测：在我们的测试中，短句在 RTX 5070 Ti 上耗时 0.12 秒，在四个 CPU 线程上耗时 0.43 秒。